AI в HR и рекрутинге: ускорение найма и снижение нагрузки на HR
Рекрутинг — один из процессов, где AI даёт быстрый и измеримый эффект.
Practico.ai внедряет ИИ-решения, которые помогают:
• автоматизировать первичный отбор кандидатов
• ускорить поиск сотрудников
• снизить нагрузку на HR-команду
• улучшить onboarding новых сотрудников
• ускорить всю воронку найма
1. AI-скрининг резюме и автоматизация рекрутинга
Задача
Технологическая компания столкнулась с перегрузкой HR-команды.
Команда из 6 рекрутеров обрабатывала 300+ резюме в месяц,
но до финального интервью доходило только около 8% кандидатов.
При этом:
• средний time-to-hire — 47 дней
• много времени уходило на ручной отбор резюме
• onboarding новых сотрудников был слабым
• 23% сотрудников уходили в первые 6 месяцев
Решение
Внедрение AI-системы для автоматизации рекрутинга.
Система выполняет:
• автоматический AI-скрининг резюме
• ранжирование кандидатов по релевантности
• первичную оценку ответов кандидатов
• генерацию краткого профиля кандидата
• чат-бот для ответов кандидатам
• генерацию персонального onboarding-плана
AI анализирует:
• опыт кандидата
• навыки
• соответствие роли
• ответы на вопросы
• мотивацию
Результат
• time-to-hire сократился с 47 до 22 дней (−53%)
• доля сотрудников, успешно проходящих испытательный срок, выросла с 77% до 91%
• текучесть в первые 6 месяцев снизилась с 23% до 7%
• HR-команда начала обрабатывать 550+ резюме в месяц без расширения штата
#AIкейсы
#HRTech
#рекрутинг
2. AI-поиск кандидатов по базе резюме
Задача
HR-агентство работало с базой из сотен тысяч резюме.
Поиск кандидатов занимал 30–60 минут на одну вакансию,
потому что HR приходилось вручную фильтровать базу.
Решение
Мы разработали AI-агента для семантического поиска кандидатов.
HR может искать кандидатов на естественном языке.
Например:
“middle python developer с релокацией в Германию”
Система выполняет:
• семантический поиск по резюме
• фильтрацию по навыкам и опыту
• полнотекстовый поиск
• динамическую фильтрацию кандидатов
• экспорт кандидатов обратно в CRM
База кандидатов автоматически синхронизируется с CRM.
Результат
• поиск кандидатов сократился с 30–60 минут до нескольких секунд
• HR получает релевантных кандидатов сразу
• база всегда актуальна и синхронизирована с CRM
• система масштабируется до сотен тысяч резюме
#AIагенты
#HRTech
#семантическийпоиск
3. AI-агент для первичных интервью
Задача
Автоматизировать первичный этап найма:
• обработку большого количества откликов
• проведение первичного интервью
• отбор релевантных кандидатов
• передачу подходящих кандидатов HR
Важно было, чтобы кандидат мог пройти интервью без установки дополнительных приложений.
Решение
AI-агент для интервью в Telegram
Кандидат проходит короткий диалог:
• отвечает на вопросы по опыту
• указывает навыки
• описывает ожидания по работе
• подтверждает доступность
AI анализирует ответы и:
• оценивает релевантность кандидата
• присваивает статус
• формирует summary профиля
• отправляет подходящих кандидатов HR
Подходящие кандидаты автоматически создаются в CRM
(например **Bitrix24**).
Результат
• автоматизация до 80% первичных интервью
• кандидат проходит этап за 3–5 минут
• HR получает только релевантных кандидатов
• ускоряется вся воронка найма
#AIагенты
#HRTech
#AIинтервью
Работаем в двух форматах:
1. Кастомная разработка
Разрабатываем AI-решения под процессы компании
(рекрутинг, HR-аналитика, onboarding, обучение сотрудников).
2. Готовые AI-решения
Быстро внедряем AI-агентов и автоматизацию HR-процессов
с интеграцией в CRM и HR-системы.
Если хотите понять, какие HR-процессы можно автоматизировать в вашей компании — напишите нам в ТГ, назначим бесплатную консультацию, по итогам получите список инструментов для внедрения, сроки реализации и плановую окупаемость.
#AIкейсы
#hr
Посты для руководителей:
👉AI-аналитика для руководителей: как получать управленческие ответы за минуты
👉Компьютерное зрение для бизнеса и производства
👉Как внедрить AI в компанию: 4 шага
Рекрутинг — один из процессов, где AI даёт быстрый и измеримый эффект.
Practico.ai внедряет ИИ-решения, которые помогают:
• автоматизировать первичный отбор кандидатов
• ускорить поиск сотрудников
• снизить нагрузку на HR-команду
• улучшить onboarding новых сотрудников
• ускорить всю воронку найма
1. AI-скрининг резюме и автоматизация рекрутинга
Задача
Технологическая компания столкнулась с перегрузкой HR-команды.
Команда из 6 рекрутеров обрабатывала 300+ резюме в месяц,
но до финального интервью доходило только около 8% кандидатов.
При этом:
• средний time-to-hire — 47 дней
• много времени уходило на ручной отбор резюме
• onboarding новых сотрудников был слабым
• 23% сотрудников уходили в первые 6 месяцев
Решение
Внедрение AI-системы для автоматизации рекрутинга.
Система выполняет:
• автоматический AI-скрининг резюме
• ранжирование кандидатов по релевантности
• первичную оценку ответов кандидатов
• генерацию краткого профиля кандидата
• чат-бот для ответов кандидатам
• генерацию персонального onboarding-плана
AI анализирует:
• опыт кандидата
• навыки
• соответствие роли
• ответы на вопросы
• мотивацию
Результат
• time-to-hire сократился с 47 до 22 дней (−53%)
• доля сотрудников, успешно проходящих испытательный срок, выросла с 77% до 91%
• текучесть в первые 6 месяцев снизилась с 23% до 7%
• HR-команда начала обрабатывать 550+ резюме в месяц без расширения штата
#AIкейсы
#HRTech
#рекрутинг
2. AI-поиск кандидатов по базе резюме
Задача
HR-агентство работало с базой из сотен тысяч резюме.
Поиск кандидатов занимал 30–60 минут на одну вакансию,
потому что HR приходилось вручную фильтровать базу.
Решение
Мы разработали AI-агента для семантического поиска кандидатов.
HR может искать кандидатов на естественном языке.
Например:
“middle python developer с релокацией в Германию”
Система выполняет:
• семантический поиск по резюме
• фильтрацию по навыкам и опыту
• полнотекстовый поиск
• динамическую фильтрацию кандидатов
• экспорт кандидатов обратно в CRM
База кандидатов автоматически синхронизируется с CRM.
Результат
• поиск кандидатов сократился с 30–60 минут до нескольких секунд
• HR получает релевантных кандидатов сразу
• база всегда актуальна и синхронизирована с CRM
• система масштабируется до сотен тысяч резюме
#AIагенты
#HRTech
#семантическийпоиск
3. AI-агент для первичных интервью
Задача
Автоматизировать первичный этап найма:
• обработку большого количества откликов
• проведение первичного интервью
• отбор релевантных кандидатов
• передачу подходящих кандидатов HR
Важно было, чтобы кандидат мог пройти интервью без установки дополнительных приложений.
Решение
AI-агент для интервью в Telegram
Кандидат проходит короткий диалог:
• отвечает на вопросы по опыту
• указывает навыки
• описывает ожидания по работе
• подтверждает доступность
AI анализирует ответы и:
• оценивает релевантность кандидата
• присваивает статус
• формирует summary профиля
• отправляет подходящих кандидатов HR
Подходящие кандидаты автоматически создаются в CRM
(например **Bitrix24**).
Результат
• автоматизация до 80% первичных интервью
• кандидат проходит этап за 3–5 минут
• HR получает только релевантных кандидатов
• ускоряется вся воронка найма
#AIагенты
#HRTech
#AIинтервью
Работаем в двух форматах:
1. Кастомная разработка
Разрабатываем AI-решения под процессы компании
(рекрутинг, HR-аналитика, onboarding, обучение сотрудников).
2. Готовые AI-решения
Быстро внедряем AI-агентов и автоматизацию HR-процессов
с интеграцией в CRM и HR-системы.
Если хотите понять, какие HR-процессы можно автоматизировать в вашей компании — напишите нам в ТГ, назначим бесплатную консультацию, по итогам получите список инструментов для внедрения, сроки реализации и плановую окупаемость.
#AIкейсы
#hr
Посты для руководителей:
👉AI-аналитика для руководителей: как получать управленческие ответы за минуты
👉Компьютерное зрение для бизнеса и производства
👉Как внедрить AI в компанию: 4 шага
🔥3👍1
Forwarded from SkAI-fi
Новая реальность для тех, кто обрабатывает тонны PDF-документов
Раньше типичный процесс выглядел так: вы загружаете документы в платный OCR-сервис, получаете внушительный счёт и мучаетесь с несовершенной точностью, особенно если нужны сложные макеты и таблицы. Но с появлением мультимодальных моделей вроде Gemini Flash 2.0 и Mistral OCR ситуация сильно меняется: теперь можно «прогонять» 1k+ страниц всего за 1 USD (по стоимости примерно как у AWS Textract). Более того, главная фишка OCR на мультимодальных моделях — они «понимают» не только символы, но и контекст, что обеспечивает точность даже на сложных верстках и таблицах.
Поделюсь своими наблюдениями после тестирования OCR через VLM: На моих экспериментах Mistral оказался неожиданно надёжным, особенно на русскоязычных материалах и документах с трудной вёрсткой. Там, где классические OCR и другие LLM «спотыкаются» на таблицах, Mistral уверенно сохранял логическую структуру и формат. Gemini Flash 2.0, со своей феноменальной пропускной способностью (до 6к страниц за 1 USD), идеально подходит для сценариев, где критичны большие объёмы и низкая цена за страницу. Но если копнуть глубже и отойти от «вау-факторов», всплывают две важные проблемы:
- Координаты и привязка к оригиналу
Главная боль — bounding boxes. При преобразовании PDF в Markdown координаты теряются, усложняя аудит: сложно определить точное расположение текста на странице. Gemini пока неточно определяет bounding boxes. Если это критично (например, требуется подсветить данные прямо в PDF), придётся либо комбинировать модель с классическим OCR, либо довольствоваться упрощёнными ссылками вроде «страница/блок». При этом новый Mistral справлялся с этой проблемой существенно лучше.
- Нестабильность и вариативность
Модели могут выдавать разные структуры при повторных запусках. Особенно это заметно после частых обновлений, когда формат Markdown неожиданно меняется.
Кому это подойдёт: Если важна масштабируемость и низкая стоимость — Gemini Flash 2.0 отличный выбор, хотя требует кастомизации под задачи. Mistral OCR работает «из коробки», особенно радует на русскоязычных документах и формулах (Gemini на формулах люто глючит). Если жёсткая привязка к координатам не нужна и допускаются мелкие ручные правки — эти модели будут очень эффективны. В долгосрочной перспективе документоориентированные LLM и мультимодели однозначно заменят классические пайплайны OCR. К чему всё идёт:
- Появятся «гибридные» решения: классический OCR для детальных координат + LLM для контекста и исправления ошибок.
- Будет расти количество opensource-библиотек и локальных VLM-моделей, часть компаний уйдёт от облака к своей инфраструктуре (ради приватности и управляемости).
- Крупные вендоры (Google, Amazon, Microsoft) продолжат снижать стоимость и повышать функционал, постепенно вытесняя узконишевые OCR-сервисы.
Лично мой вывод:
Старый OCR как «распознавалка символов» постепенно уходит в прошлое. Новую волну возглавляют мультимодальные LLM.💪 💪 💪
Mistral, Gemini и прочие проекты— это лишь первые ласточки, которые уже показали мощь и потенциал подхода. Если вы занимаетесь оцифровкой и хотите быть в тренде, советую протестировать обе модели.
Один только факт, что OCR наконец начал «понимать» структуру и контекст, меняет всю картину того, как теперь можно подготавливать документы к RAG-пайплайнам и другим ML-задачам.
Полезные ссылки:
🟣 colab, в котором можно протестировать новый Mistral OCR
🟣 Обзор Gemini flash 2.0 в задаче OCR
🟣 Советы по OCR с Gemini
Раньше типичный процесс выглядел так: вы загружаете документы в платный OCR-сервис, получаете внушительный счёт и мучаетесь с несовершенной точностью, особенно если нужны сложные макеты и таблицы. Но с появлением мультимодальных моделей вроде Gemini Flash 2.0 и Mistral OCR ситуация сильно меняется: теперь можно «прогонять» 1k+ страниц всего за 1 USD (по стоимости примерно как у AWS Textract). Более того, главная фишка OCR на мультимодальных моделях — они «понимают» не только символы, но и контекст, что обеспечивает точность даже на сложных верстках и таблицах.
Поделюсь своими наблюдениями после тестирования OCR через VLM: На моих экспериментах Mistral оказался неожиданно надёжным, особенно на русскоязычных материалах и документах с трудной вёрсткой. Там, где классические OCR и другие LLM «спотыкаются» на таблицах, Mistral уверенно сохранял логическую структуру и формат. Gemini Flash 2.0, со своей феноменальной пропускной способностью (до 6к страниц за 1 USD), идеально подходит для сценариев, где критичны большие объёмы и низкая цена за страницу. Но если копнуть глубже и отойти от «вау-факторов», всплывают две важные проблемы:
- Координаты и привязка к оригиналу
Главная боль — bounding boxes. При преобразовании PDF в Markdown координаты теряются, усложняя аудит: сложно определить точное расположение текста на странице. Gemini пока неточно определяет bounding boxes. Если это критично (например, требуется подсветить данные прямо в PDF), придётся либо комбинировать модель с классическим OCR, либо довольствоваться упрощёнными ссылками вроде «страница/блок». При этом новый Mistral справлялся с этой проблемой существенно лучше.
- Нестабильность и вариативность
Модели могут выдавать разные структуры при повторных запусках. Особенно это заметно после частых обновлений, когда формат Markdown неожиданно меняется.
Кому это подойдёт: Если важна масштабируемость и низкая стоимость — Gemini Flash 2.0 отличный выбор, хотя требует кастомизации под задачи. Mistral OCR работает «из коробки», особенно радует на русскоязычных документах и формулах (Gemini на формулах люто глючит). Если жёсткая привязка к координатам не нужна и допускаются мелкие ручные правки — эти модели будут очень эффективны. В долгосрочной перспективе документоориентированные LLM и мультимодели однозначно заменят классические пайплайны OCR. К чему всё идёт:
- Появятся «гибридные» решения: классический OCR для детальных координат + LLM для контекста и исправления ошибок.
- Будет расти количество opensource-библиотек и локальных VLM-моделей, часть компаний уйдёт от облака к своей инфраструктуре (ради приватности и управляемости).
- Крупные вендоры (Google, Amazon, Microsoft) продолжат снижать стоимость и повышать функционал, постепенно вытесняя узконишевые OCR-сервисы.
Лично мой вывод:
Старый OCR как «распознавалка символов» постепенно уходит в прошлое. Новую волну возглавляют мультимодальные LLM.
Mistral, Gemini и прочие проекты— это лишь первые ласточки, которые уже показали мощь и потенциал подхода. Если вы занимаетесь оцифровкой и хотите быть в тренде, советую протестировать обе модели.
Один только факт, что OCR наконец начал «понимать» структуру и контекст, меняет всю картину того, как теперь можно подготавливать документы к RAG-пайплайнам и другим ML-задачам.
Полезные ссылки:
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2❤1🥰1🥴1🤨1
ИИ повсюду, но все таки с чего начать системно с ним работать?
Кажется, что вокруг — десятки AI-инструментов, многообещающих кейсов и вечный шум про ChatGPT. Но на деле всё упирается в вопрос:
а с чего вообще начать, чтобы ИИ реально помог в работе и бизнесе?
При общении с клиентами мы сталкиваемся с этим постоянно:
— кто-то ждёт волшебную таблетку,
— кто-то пробует пару промптов и разочаровывается,
— кто-то запускает ИИ без стратегии и сжигает бюджет.
Мы же хотим показать, что внедрять ИИ можно дешево, системно, просто и даже без разработчиков. Главное — чётко понимать, что автоматизировать, как это сделать быстро, и зачем всё это вообще.
📍 Уже завтра, 23 апреля в 18:00 (МСК), Zoom
проведём бесплатный воркшоп «Как внедрять ИИ в бизнес-процессы. Создание первого ИИ-ассистента без кода»
Что будет:
— разберём, какие в какие процессы правда стоит внедрять ИИ;
— покажем, как считать выгоду от ИИ в деньгах и времени;
— соберём ИИ-агента без кода на n8n — прямо во время воркшопа (и поможем вам);
— ответим на вопросы и посмотрим ваши кейсы.
Зарегистрироваться можно через бота
Если давно хотели внедрить ИИ, но не знали, с чего начать — это как раз идеальная точка входа
Кажется, что вокруг — десятки AI-инструментов, многообещающих кейсов и вечный шум про ChatGPT. Но на деле всё упирается в вопрос:
а с чего вообще начать, чтобы ИИ реально помог в работе и бизнесе?
При общении с клиентами мы сталкиваемся с этим постоянно:
— кто-то ждёт волшебную таблетку,
— кто-то пробует пару промптов и разочаровывается,
— кто-то запускает ИИ без стратегии и сжигает бюджет.
Мы же хотим показать, что внедрять ИИ можно дешево, системно, просто и даже без разработчиков. Главное — чётко понимать, что автоматизировать, как это сделать быстро, и зачем всё это вообще.
📍 Уже завтра, 23 апреля в 18:00 (МСК), Zoom
проведём бесплатный воркшоп «Как внедрять ИИ в бизнес-процессы. Создание первого ИИ-ассистента без кода»
Что будет:
— разберём, какие в какие процессы правда стоит внедрять ИИ;
— покажем, как считать выгоду от ИИ в деньгах и времени;
— соберём ИИ-агента без кода на n8n — прямо во время воркшопа (и поможем вам);
— ответим на вопросы и посмотрим ваши кейсы.
Зарегистрироваться можно через бота
Если давно хотели внедрить ИИ, но не знали, с чего начать — это как раз идеальная точка входа
❤3👍2🥰1
AI-аналитика для руководителей: как получать управленческие ответы за минуты
Во многих компаниях данные уже есть, но использовать их сложно.
Информация находится в разных системах:
• CRM
• таблицы
• BI-системы
• операционные сервисы
В результате:
• отчёты собираются вручную
• аналитика занимает часы
• решения принимаются с задержкой
• данные часто противоречат друг другу
AI позволяет превратить данные в инструмент принятия решений.
1. AI-аналитика для руководителя
Задача
В компании данные по продажам и операционной деятельности находились в разных системах.
Руководителям приходилось:
• вручную собирать отчёты
• выгружать данные из CRM
• сводить таблицы
• тратить много времени на анализ
Подготовка одного управленческого отчёта занимала до 2 часов.
Решение
Мы внедрили AI-агента для управленческой аналитики.
Он подключается к CRM и другим источникам данных и позволяет задавать вопросы на естественном языке.
Например:
• «Какая конверсия между этапами воронки за этот месяц?»
• «Покажи топ-5 сделок по выручке»
• «Какие менеджеры не закрывают задачи вовремя?»
• «Собери дашборд по воронке продаж»
Система:
• автоматически собирает данные
• рассчитывает ключевые метрики
• формирует таблицы и дашборды
• добавляет интерпретацию результатов
Результат
• управленческий отчёт готовится за 10 минут вместо 2 часов
• руководители получают аналитику по запросу
• появляется единый источник правды по метрикам
#AIаналитика
#BI
#данные
2. AI-агент для анализа CRM и воронки продаж
Задача
Компания хотела убрать зависимость от ручных выгрузок из CRM и ускорить анализ продаж.
Руководителю было важно быстро понимать:
• конверсию между этапами
• скорость прохождения сделок
• причины потерь
• эффективность менеджеров
• дисциплину выполнения задач
Решение
AI-агент подключён к CRM и анализирует:
• сделки
• задачи
• активности
• сотрудников
• воронку продаж
Чтобы аналитика была корректной, мы:
• зафиксировали определения KPI
• настроили слой метрик
• добавили контроль качества данных
• убрали дубликаты и ошибки
AI-агент может:
• отвечать на вопросы руководителя
• автоматически строить дашборды
• формировать отчёты
• выявлять узкие места в воронке
Результат
• управленческие ответы доступны за минуты вместо ожидания отчётов
• снизилось количество ошибок из-за ручной обработки данных
• руководители получили полную прозрачность по продажам и KPI
#AIаналитика
#управление
#данные
Как Practico.ai внедряет AI-аналитику
Работаем в двух форматах.
1. Кастомная разработка
Разрабатываем AI-аналитику под задачи компании:
• продажи
• финансы
• операционные процессы
• маркетинг
• HR
2. Готовые AI-решения
Подключаем AI-агентов к CRM, таблицам и BI-системам
с минимальной интеграцией.
Это позволяет компаниям начать использовать AI-аналитику за недели, а не за месяцы разработки.
Если хотите понять, какие управленческие задачи можно автоматизировать с помощью AI — напишите нам в ТГ, назначим бесплатную консультацию, по итогам получите список инструментов для внедрения, сроки реализации и плановую окупаемость.
#AIкейсы
#AIаналитика
Про внедерение в бизнес:
👉Компьютерное зрение для бизнеса и производства
👉Как внедрить AI в компанию: 4 шага
Во многих компаниях данные уже есть, но использовать их сложно.
Информация находится в разных системах:
• CRM
• таблицы
• BI-системы
• операционные сервисы
В результате:
• отчёты собираются вручную
• аналитика занимает часы
• решения принимаются с задержкой
• данные часто противоречат друг другу
AI позволяет превратить данные в инструмент принятия решений.
1. AI-аналитика для руководителя
Задача
В компании данные по продажам и операционной деятельности находились в разных системах.
Руководителям приходилось:
• вручную собирать отчёты
• выгружать данные из CRM
• сводить таблицы
• тратить много времени на анализ
Подготовка одного управленческого отчёта занимала до 2 часов.
Решение
Мы внедрили AI-агента для управленческой аналитики.
Он подключается к CRM и другим источникам данных и позволяет задавать вопросы на естественном языке.
Например:
• «Какая конверсия между этапами воронки за этот месяц?»
• «Покажи топ-5 сделок по выручке»
• «Какие менеджеры не закрывают задачи вовремя?»
• «Собери дашборд по воронке продаж»
Система:
• автоматически собирает данные
• рассчитывает ключевые метрики
• формирует таблицы и дашборды
• добавляет интерпретацию результатов
Результат
• управленческий отчёт готовится за 10 минут вместо 2 часов
• руководители получают аналитику по запросу
• появляется единый источник правды по метрикам
#AIаналитика
#BI
#данные
2. AI-агент для анализа CRM и воронки продаж
Задача
Компания хотела убрать зависимость от ручных выгрузок из CRM и ускорить анализ продаж.
Руководителю было важно быстро понимать:
• конверсию между этапами
• скорость прохождения сделок
• причины потерь
• эффективность менеджеров
• дисциплину выполнения задач
Решение
AI-агент подключён к CRM и анализирует:
• сделки
• задачи
• активности
• сотрудников
• воронку продаж
Чтобы аналитика была корректной, мы:
• зафиксировали определения KPI
• настроили слой метрик
• добавили контроль качества данных
• убрали дубликаты и ошибки
AI-агент может:
• отвечать на вопросы руководителя
• автоматически строить дашборды
• формировать отчёты
• выявлять узкие места в воронке
Результат
• управленческие ответы доступны за минуты вместо ожидания отчётов
• снизилось количество ошибок из-за ручной обработки данных
• руководители получили полную прозрачность по продажам и KPI
#AIаналитика
#управление
#данные
Как Practico.ai внедряет AI-аналитику
Работаем в двух форматах.
1. Кастомная разработка
Разрабатываем AI-аналитику под задачи компании:
• продажи
• финансы
• операционные процессы
• маркетинг
• HR
2. Готовые AI-решения
Подключаем AI-агентов к CRM, таблицам и BI-системам
с минимальной интеграцией.
Это позволяет компаниям начать использовать AI-аналитику за недели, а не за месяцы разработки.
Если хотите понять, какие управленческие задачи можно автоматизировать с помощью AI — напишите нам в ТГ, назначим бесплатную консультацию, по итогам получите список инструментов для внедрения, сроки реализации и плановую окупаемость.
#AIкейсы
#AIаналитика
Про внедерение в бизнес:
👉Компьютерное зрение для бизнеса и производства
👉Как внедрить AI в компанию: 4 шага
Telegram
Юлия Перемитина
CEO, Practico.ai — AI-студия полного цикла
Forwarded from SkAI-fi
TL;DR: семь лет Apple Neural Engine стоял в холостую, развлекаясь эмодзи-портретами. Сегодня всё меняется: на устройствах запускаются настоящие языковые модели, и облако отступает на второй план. Следующий бум — офлайн-приложения с LLM, которые стартуют мгновенно и не требуют запросов в сеть, оплачивая лишь заряд батареи.
Каждую осень мы читали про новый чип Apple: «Neural Engine +X TOPS». Семь лет – от A11 Bionic 2017 (вспомните Face ID) до M4. Я думал, что эти нейронные ядра нужны для AR‑фишек вроде Vision Pro. Если вы хоть раз работали с ARKit, знаете: технологии вроде SLAM или реконструкции сцены классные, но почти не используются в массовых приложениях — разве что в играх и редких B2B‑проектах.
WWDC 2025 всё изменил. Apple открыла доступ к своим тензорным блокам: в Foundation Models Framework появился on-device вызов LLM (модель на ~3–4 млрд параметров, точные цифры не раскрывают). Всего три строки кода на Swift — и вы можете генерировать текст прямо в приложении:
Никаких ограничений на количество токенов и счётчиков запросов. Телефон не заметит, сколько токенов вы сожгли, но батарейка — заметит. Apple обещает: Neural Engine даёт ~14 токенов/мс при потреблении 3 Вт. Для сравнения: облачный вызов GPT-4o тратит ~50 мс/токен плюс задержку сети.
Почему это важно
- Моментальный отклик. В банкомате антифрод должен вернуть ответ за 150 мс, иначе транзакция отменится. Облако не успеет, NPU справится.
- Приватность. Всё вычисление остаётся на устройстве: ни слова не улетит в облако, и ничего не сохранится дольше сеанса. Европейским регуляторам за такое точно скажут спасибо.
- Ноль долларов за запросы. Разработчики получают «GPU-бюджет $0»: вычисления идут на чипе телефона без оплаты облаку. Шутят, что скоро ROI будут считать не в стоимости тысяч токенов, а в стоимости ватт-часа.
Ограничения
- Поддерживаемые устройства. Apple Intelligence работает только на iPhone 15/16 Pro, iPad Pro на M‑серии и Mac на M1/M2. То есть пока лишь порядка 25% iOS‑устройств — придётся делать резервный вариант для остальных.
- Длина контекста. Около 4 тыс. токенов — хватит для короткого пересказа или локального справочника, но не для длительного диалога. iCloud-версия «Private Compute» обещает до 128k токенов, но цены пока не объявлены.
- Мультимодальность в бете. Обработка картинок и аудио пока скрыта под NDA; ждём релиза зимой.
Контейнеры «по-эппловски»
Параллельно Apple добавила контейнеры через концепцию «микро-VM»: каждый OCI‑образ запускается в своей виртуальной среде с чистым сетевым стеком (и встроенной Rosetta для x86). Минус — больше жрёт RAM, чем Docker; плюс — можно прямо внутри контейнера использовать Neural Engine для inference. Вкупе с сервисами на Swift это шаг к «WSL2 для Mac».
Что будет дальше
- AR + LLM. Vision Pro обновился до visionOS 26 и теперь может дергать локальные LLM. Представьте: вы смотрите на конвейер, камера кидает 400 fps стереопоток в Neural Engine, он на лету находит дефект и отправляет сигнал системе управления. Реакция — в сотни мс, то, чего так не хватало AR.
- Новая гонка NPU. Qualcomm уже обещает 60 TOPS в X Elite. Но у Apple козырь — сотни миллионов устройств с Neural Engine уже в карманах.
- Вторая жизнь AR-SDK. CoreML и RealityKit наконец находят своё применение: то, для чего их задумывали в 2017 году.
Очевидно: будущее — за локальными LLM. К 2030 любой массовой ОС начнёт день не с ярлыков и панелей, а со встроенного ассистента-модели, который понимает контекст пользователя глубже любого GUI.
Каждую осень мы читали про новый чип Apple: «Neural Engine +X TOPS». Семь лет – от A11 Bionic 2017 (вспомните Face ID) до M4. Я думал, что эти нейронные ядра нужны для AR‑фишек вроде Vision Pro. Если вы хоть раз работали с ARKit, знаете: технологии вроде SLAM или реконструкции сцены классные, но почти не используются в массовых приложениях — разве что в играх и редких B2B‑проектах.
WWDC 2025 всё изменил. Apple открыла доступ к своим тензорным блокам: в Foundation Models Framework появился on-device вызов LLM (модель на ~3–4 млрд параметров, точные цифры не раскрывают). Всего три строки кода на Swift — и вы можете генерировать текст прямо в приложении:
let model = FoundationModel.named(.appleIntelligence)
try await model.generate(text: prompt) { chunk in … }Никаких ограничений на количество токенов и счётчиков запросов. Телефон не заметит, сколько токенов вы сожгли, но батарейка — заметит. Apple обещает: Neural Engine даёт ~14 токенов/мс при потреблении 3 Вт. Для сравнения: облачный вызов GPT-4o тратит ~50 мс/токен плюс задержку сети.
Почему это важно
- Моментальный отклик. В банкомате антифрод должен вернуть ответ за 150 мс, иначе транзакция отменится. Облако не успеет, NPU справится.
- Приватность. Всё вычисление остаётся на устройстве: ни слова не улетит в облако, и ничего не сохранится дольше сеанса. Европейским регуляторам за такое точно скажут спасибо.
- Ноль долларов за запросы. Разработчики получают «GPU-бюджет $0»: вычисления идут на чипе телефона без оплаты облаку. Шутят, что скоро ROI будут считать не в стоимости тысяч токенов, а в стоимости ватт-часа.
Ограничения
- Поддерживаемые устройства. Apple Intelligence работает только на iPhone 15/16 Pro, iPad Pro на M‑серии и Mac на M1/M2. То есть пока лишь порядка 25% iOS‑устройств — придётся делать резервный вариант для остальных.
- Длина контекста. Около 4 тыс. токенов — хватит для короткого пересказа или локального справочника, но не для длительного диалога. iCloud-версия «Private Compute» обещает до 128k токенов, но цены пока не объявлены.
- Мультимодальность в бете. Обработка картинок и аудио пока скрыта под NDA; ждём релиза зимой.
Контейнеры «по-эппловски»
Параллельно Apple добавила контейнеры через концепцию «микро-VM»: каждый OCI‑образ запускается в своей виртуальной среде с чистым сетевым стеком (и встроенной Rosetta для x86). Минус — больше жрёт RAM, чем Docker; плюс — можно прямо внутри контейнера использовать Neural Engine для inference. Вкупе с сервисами на Swift это шаг к «WSL2 для Mac».
Что будет дальше
- AR + LLM. Vision Pro обновился до visionOS 26 и теперь может дергать локальные LLM. Представьте: вы смотрите на конвейер, камера кидает 400 fps стереопоток в Neural Engine, он на лету находит дефект и отправляет сигнал системе управления. Реакция — в сотни мс, то, чего так не хватало AR.
- Новая гонка NPU. Qualcomm уже обещает 60 TOPS в X Elite. Но у Apple козырь — сотни миллионов устройств с Neural Engine уже в карманах.
- Вторая жизнь AR-SDK. CoreML и RealityKit наконец находят своё применение: то, для чего их задумывали в 2017 году.
Очевидно: будущее — за локальными LLM. К 2030 любой массовой ОС начнёт день не с ярлыков и панелей, а со встроенного ассистента-модели, который понимает контекст пользователя глубже любого GUI.
TL;DR: Раньше мы писали, что мультимодальные LLM заменят классический OCR. Прошло 4 месяца — и вот вам кейс: проект OpenElections доверил Google Gemini обработку сотен страниц выборных протоколов в PDF. Это больше не эксперимент — это новая норма.
Раньше ситуация выглядела так: тысячи участков публикуют результаты выборов в виде сканов PDF. Перевод их в таблицы — адский труд. Либо платите огромные суммы операторам ввода, либо мучаетесь с традиционным OCR, который «заикается» на сложных форматах. Цена ошибки — не просто «косметическая», а политическая и репутационная. Поэтому всегда оставалась ручная проверка.
Что изменилось? OpenElections решил рискнуть и запустить обработку PDF через Gemini. И оказалось, что модели можно доверять. Например, протоколы Limestone County на 42 страницы (с двухколоночным макетом и точками вместо пробелов!) распознаются почти идеально за пару минут и одним простым промптом. Gemini без труда справился и с более сложными протоколами из Live Oak County (90 страниц) и даже огромным PDF из Cameron County на 653 страницы с дырками и помехами — пусть и с парой повторных запусков.
Но главное здесь не скорость, а доверие. OpenElections встроил целый пайплайн проверок: автоматические тесты суммирования голосов, проверки на дубликаты, ручные сверки с официальными отчётами. Кроме того, модель запускается с нулевой температурой (без креативности), что сводит ошибки к минимуму. Также используется structured output, который обеспечивает стабильность и предсказуемость результатов. Теперь каждая цифра легко проверяема и воспроизводима. Это уже не просто «эффектный OCR», а полноценный и проверяемый рабочий инструмент.
Что это значит для будущего?
* LLM-решения переходят из демо-статуса в ежедневную практику. Теперь это не хайп, а реальная замена дорогим ручным сервисам.
* Стартапам открываются огромные возможности по автоматизации любых PDF-процессов: от госданных до счетов-фактур и судебных решений.
* Раньше говорили: «LLM ≠ надёжность». Теперь, благодаря проверяемости и низкой «температуре» вывода моделей, доверие больше не барьер.
OCR умер — да здравствует OCR!💪 💪 💪
Раньше ситуация выглядела так: тысячи участков публикуют результаты выборов в виде сканов PDF. Перевод их в таблицы — адский труд. Либо платите огромные суммы операторам ввода, либо мучаетесь с традиционным OCR, который «заикается» на сложных форматах. Цена ошибки — не просто «косметическая», а политическая и репутационная. Поэтому всегда оставалась ручная проверка.
Что изменилось? OpenElections решил рискнуть и запустить обработку PDF через Gemini. И оказалось, что модели можно доверять. Например, протоколы Limestone County на 42 страницы (с двухколоночным макетом и точками вместо пробелов!) распознаются почти идеально за пару минут и одним простым промптом. Gemini без труда справился и с более сложными протоколами из Live Oak County (90 страниц) и даже огромным PDF из Cameron County на 653 страницы с дырками и помехами — пусть и с парой повторных запусков.
Но главное здесь не скорость, а доверие. OpenElections встроил целый пайплайн проверок: автоматические тесты суммирования голосов, проверки на дубликаты, ручные сверки с официальными отчётами. Кроме того, модель запускается с нулевой температурой (без креативности), что сводит ошибки к минимуму. Также используется structured output, который обеспечивает стабильность и предсказуемость результатов. Теперь каждая цифра легко проверяема и воспроизводима. Это уже не просто «эффектный OCR», а полноценный и проверяемый рабочий инструмент.
Что это значит для будущего?
* LLM-решения переходят из демо-статуса в ежедневную практику. Теперь это не хайп, а реальная замена дорогим ручным сервисам.
* Стартапам открываются огромные возможности по автоматизации любых PDF-процессов: от госданных до счетов-фактур и судебных решений.
* Раньше говорили: «LLM ≠ надёжность». Теперь, благодаря проверяемости и низкой «температуре» вывода моделей, доверие больше не барьер.
OCR умер — да здравствует OCR!
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4❤2👏1🍌1
Всем привет! Хотим поделиться последними новостями и мыслями. Как и все нормальные люди, мы хотим меньше работать и больше зарабатывать. Поэтому уже давно присматриваемся к SaaS-решениям (чтобы мы попивали джус, а деньги сами капали), и на этой неделе наконец-то релизнули наш собственный продукт: рекомендационную систему на основе визуального сравнения.
Как это работает:
Мы подключаем решение к любому онлайн-магазину с товарами, у которых есть выраженная визуальная составляющая (одежда, обувь, украшения, декор и тд.). Покупатель открывает карточку товара и сразу получает рекомендации похожих вариантов. В итоге пользователь может углубляться в поиск и находить нужные ему товары в формате «Pinterest-поиска».
Дополнительно мы научили модель собирать тематические подборки. Например, выбрал кольцо — получаешь похожие серьги и браслеты. А ещё мы настроили поиск по фотографии: пользователь загружает своё фото, а система показывает максимально похожие товары из каталога магазина.
Решение подходит как для кастомных онлайн-магазинов, так и для Shopify, WooCommerce и популярных конструкторов сайтов.
Вот наш лендинг — залетайте смотреть:
👉 https://www.skailab.tech/airecommendation
Если у вас есть знакомые e-commerce-ребята — киньте им ссылку, будем признательны 🙌
Еще пара мыслей напоследок. Когда мы создавали этот продукт, мы много анализировали рынок AI-решений: от свежих GPT-врапперов до более нишевых нейросетевых проектов — и особенно то, как с ними взаимодействует обычный, неинновационный бизнес.
Именно через эту призму пришло простое понимание. Сегодня не нужно пытаться самим "изобретать паровой двигатель", если ты не исследователь в области ИИ. В мире уже есть инфраструктурные игроки вроде OpenAI и Anthropic, чья задача — строить сами двигатели. Задача бизнеса — выбирать подходящий станок и использовать его, чтобы ускорить производство. Это значит: не тратить ресурсы на обучение собственных моделей, а собирать решения на основе уже мощных моделей — через удобные интерфейсы, глубокую интеграцию с процессами и сильный UX. Такой подход не только экономит бюджет, но и даёт фору: каждое обновление модели от OpenAI — это автоматический апгрейд твоего продукта.
Как это работает:
Мы подключаем решение к любому онлайн-магазину с товарами, у которых есть выраженная визуальная составляющая (одежда, обувь, украшения, декор и тд.). Покупатель открывает карточку товара и сразу получает рекомендации похожих вариантов. В итоге пользователь может углубляться в поиск и находить нужные ему товары в формате «Pinterest-поиска».
Дополнительно мы научили модель собирать тематические подборки. Например, выбрал кольцо — получаешь похожие серьги и браслеты. А ещё мы настроили поиск по фотографии: пользователь загружает своё фото, а система показывает максимально похожие товары из каталога магазина.
Решение подходит как для кастомных онлайн-магазинов, так и для Shopify, WooCommerce и популярных конструкторов сайтов.
Вот наш лендинг — залетайте смотреть:
👉 https://www.skailab.tech/airecommendation
Если у вас есть знакомые e-commerce-ребята — киньте им ссылку, будем признательны 🙌
Еще пара мыслей напоследок. Когда мы создавали этот продукт, мы много анализировали рынок AI-решений: от свежих GPT-врапперов до более нишевых нейросетевых проектов — и особенно то, как с ними взаимодействует обычный, неинновационный бизнес.
Именно через эту призму пришло простое понимание. Сегодня не нужно пытаться самим "изобретать паровой двигатель", если ты не исследователь в области ИИ. В мире уже есть инфраструктурные игроки вроде OpenAI и Anthropic, чья задача — строить сами двигатели. Задача бизнеса — выбирать подходящий станок и использовать его, чтобы ускорить производство. Это значит: не тратить ресурсы на обучение собственных моделей, а собирать решения на основе уже мощных моделей — через удобные интерфейсы, глубокую интеграцию с процессами и сильный UX. Такой подход не только экономит бюджет, но и даёт фору: каждое обновление модели от OpenAI — это автоматический апгрейд твоего продукта.
www.skailab.tech
SkaiLook
AI-Powered Recommendations to Grow Your Business Discover how SkaiLab leverages artificial intelligence to deliver personalized recommendations that boost engagement, increase sales, and optimize decision-making.
❤7👍2🥰1
Немного про голосовых AI-агентов и где они реально могут пригодиться в бизнесе. 🔥🚀
Замечаем, что среди наших заказчиков всё чаще всплывает запрос на внедрение голосовых агентов, поэтому решили написать пост и поделиться мыслями на эту тему.
Начнём сразу с важного: да, ожидания от них бывают завышены. Голосовой агент пока точно не заменит ваших сейлзов, и от выплаты зарплат и споров с РОПами вас не избавит. Но если говорить честно — голосовые агенты реально круто решают кучу типовых задач.
👉 Вот 8 самых полезных кейсов из нашей практики:
1. Прозвон брошенных корзин: агент звонит покупателям, узнаёт почему те не завершили заказ, раскладывает все по фактам и понятиям и предлагает скидку или промокод.
2. Подтверждение заказов: уточняет детали заказа, адрес, удобное время доставки.
3. Сбор обратной связи: опрашивает клиентов по заранее заданным чеклистам или сценариям.
4. Запись на консультации и услуги: и речь не про тупого робота, а про нормального RAG-агента, который может проверить календарь и записать на свободный слот.
5. Холодный обзвон клиентов: первичное касание и проверка интереса к продукту.
6. Подтверждение участия: обзвон участников мероприятий для уточнения явки и деталей встречи.
7. Первичный прескрининг кандидатов (HR): агент проводит предварительный опрос и собирает первичные данные с кандидатов.
8. Поддержка клиентов: агент отвечает на типовые запросы клиентов и при необходимости перенаправляет звонок нужному специалисту.
+ Один специфический кейс, который мы обсуждали с ребятами на нашем обучении про AI (кстати, кто не знает у нас есть курс, где мы через практику без кода показываем как внедрять AI в бизнес - если интересно залетайте на ближайший поток). Так вот к кейсу - это голосовые “AI коллекторы” - нам кажется это просто пушка, можно еще взять голос какой-то супер грозный, чтобы уже точно все вернули 😅
По факту, сейчас на рынке 4 основных сервиса для создания голосовых агентов (без кода, то есть не нужно ничего прогать):
- Vapi.ai
- Bland.ai
- Play.ht
- Retell
📍Тут есть нюанс: на английском все они работают супер-круто, с задержкой буквально 200–300 мс, а вот на русском языке пока сложнее. Хороший голос сложно получить из коробки, нужно заморачиваться и экспериментировать. Поэтому ловите лайфхак: если хотите реально живой голос на русском — проще всего создать копию своего голоса через ElevenLabs и затем импортировать её в своего AI-агента. Да, задержка будет выше, чем у дефолтных голосов, но качество интонаций несравнимо.
Замечаем, что среди наших заказчиков всё чаще всплывает запрос на внедрение голосовых агентов, поэтому решили написать пост и поделиться мыслями на эту тему.
Начнём сразу с важного: да, ожидания от них бывают завышены. Голосовой агент пока точно не заменит ваших сейлзов, и от выплаты зарплат и споров с РОПами вас не избавит. Но если говорить честно — голосовые агенты реально круто решают кучу типовых задач.
👉 Вот 8 самых полезных кейсов из нашей практики:
1. Прозвон брошенных корзин: агент звонит покупателям, узнаёт почему те не завершили заказ, раскладывает все по фактам и понятиям и предлагает скидку или промокод.
2. Подтверждение заказов: уточняет детали заказа, адрес, удобное время доставки.
3. Сбор обратной связи: опрашивает клиентов по заранее заданным чеклистам или сценариям.
4. Запись на консультации и услуги: и речь не про тупого робота, а про нормального RAG-агента, который может проверить календарь и записать на свободный слот.
5. Холодный обзвон клиентов: первичное касание и проверка интереса к продукту.
6. Подтверждение участия: обзвон участников мероприятий для уточнения явки и деталей встречи.
7. Первичный прескрининг кандидатов (HR): агент проводит предварительный опрос и собирает первичные данные с кандидатов.
8. Поддержка клиентов: агент отвечает на типовые запросы клиентов и при необходимости перенаправляет звонок нужному специалисту.
+ Один специфический кейс, который мы обсуждали с ребятами на нашем обучении про AI (кстати, кто не знает у нас есть курс, где мы через практику без кода показываем как внедрять AI в бизнес - если интересно залетайте на ближайший поток). Так вот к кейсу - это голосовые “AI коллекторы” - нам кажется это просто пушка, можно еще взять голос какой-то супер грозный, чтобы уже точно все вернули 😅
По факту, сейчас на рынке 4 основных сервиса для создания голосовых агентов (без кода, то есть не нужно ничего прогать):
- Vapi.ai
- Bland.ai
- Play.ht
- Retell
📍Тут есть нюанс: на английском все они работают супер-круто, с задержкой буквально 200–300 мс, а вот на русском языке пока сложнее. Хороший голос сложно получить из коробки, нужно заморачиваться и экспериментировать. Поэтому ловите лайфхак: если хотите реально живой голос на русском — проще всего создать копию своего голоса через ElevenLabs и затем импортировать её в своего AI-агента. Да, задержка будет выше, чем у дефолтных голосов, но качество интонаций несравнимо.
👍3🔥2
Всем салют и продуктивных выходных! 🧠
Две недели назад прошло очень крутое событие в мире AI — AI School от Y Combinator. Мы решили запариться: перевели выступления и сделали подробные саммари с пояснениями по ключевым спикерам.
📌 В подборке:
- Франсуа Шоле — Как мы дойдём до AGI
- Фэй-Фэй Ли — Пространственный интеллект: следующая граница развития ИИ
- Сатья Наделла — Ставка Microsoft на AI, гипермасштабирование и квантовые технологии
- Сэм Альтман — Будущее OpenAI и история создания ChatGPT
- Илон Маск — Цифровой сверхинтеллект, многопланетная жизнь и как быть полезным
- Андрей Карпаты — Как меняется Software
📖 Залетайте читать саммари по ссылке
Две недели назад прошло очень крутое событие в мире AI — AI School от Y Combinator. Мы решили запариться: перевели выступления и сделали подробные саммари с пояснениями по ключевым спикерам.
📌 В подборке:
- Франсуа Шоле — Как мы дойдём до AGI
- Фэй-Фэй Ли — Пространственный интеллект: следующая граница развития ИИ
- Сатья Наделла — Ставка Microsoft на AI, гипермасштабирование и квантовые технологии
- Сэм Альтман — Будущее OpenAI и история создания ChatGPT
- Илон Маск — Цифровой сверхинтеллект, многопланетная жизнь и как быть полезным
- Андрей Карпаты — Как меняется Software
📖 Залетайте читать саммари по ссылке
catnip-donut-6b8 on Notion
Саммари AI School от Y Combinator | Notion
🔥11❤3🥰2👍1
Всем привет! 👋
Недавно наткнулись на базу AI сервисов, которые были созданы российскими фаундерами. там есть все: от HR до маркетинга, ну и конечно без vpn.
Очень хорошая подборка по индустриям, чейкате по ссылке
Недавно наткнулись на базу AI сервисов, которые были созданы российскими фаундерами. там есть все: от HR до маркетинга, ну и конечно без vpn.
Очень хорошая подборка по индустриям, чейкате по ссылке
incrussia.ru
Карта российского ИИ - Инк.
Рубрика Карта российского ИИ.
❤🔥4❤2👍1🔥1🫡1
Metrigy_Report_20250417Q2_AIAgents-1.pdf
1.9 MB
Всем доброе утро! Вчера вышло небольшое, но интересное исследование от Metrigy, они провели опрос среди более чем 1100 компаний, которые внедрили агентский подход в свои бизнес-процессы.
Вот основные выводы:
1) Агентный ИИ — это новая ступень, где ИИ не просто отвечает или генерирует контент, а самостоятельно принимает решения и выполняет действия.
Компании, внедрившие агентный ИИ, зафиксировали:
• 📍 Увеличение выручки на 27,4%
• 📍 Снижение операционных затрат на 21,4%
• 📍 Рост удовлетворённости клиентов на 35%
• 📍 Повышение эффективности сотрудников на 31,2%
2) Агентный ИИ максимально эффективен, если имеет доступ ко всем системам: чатам, CRM, файлам, планировщикам и т.д.
👉 Чем больше подключённых источников данных, тем выше ценность агента. (звучит по капитански, но тем не менее)
3) Компании с максимальной эффективностью от ИИ:
•📍 В 2 раза чаще имеют AI Center of Excellence (Центр экспертизы ИИ)
•📍 Почти 60% имеют стратегию по управлению данными и безопасностью
•📍 84% выделяют ресурсы на обучение сотрудников использыванию AI инструментов. (Кстати, по последнему пункту — мы сейчас делаем большой фокус на корпоративное обучение у нас в practico.ai. Думаю, скоро напишем об этом отдельный пост.)
Полное исследование прикрепили, правда без перевода на русский, это нам стало делать влом 😅
Вот основные выводы:
1) Агентный ИИ — это новая ступень, где ИИ не просто отвечает или генерирует контент, а самостоятельно принимает решения и выполняет действия.
Компании, внедрившие агентный ИИ, зафиксировали:
• 📍 Увеличение выручки на 27,4%
• 📍 Снижение операционных затрат на 21,4%
• 📍 Рост удовлетворённости клиентов на 35%
• 📍 Повышение эффективности сотрудников на 31,2%
2) Агентный ИИ максимально эффективен, если имеет доступ ко всем системам: чатам, CRM, файлам, планировщикам и т.д.
👉 Чем больше подключённых источников данных, тем выше ценность агента. (звучит по капитански, но тем не менее)
3) Компании с максимальной эффективностью от ИИ:
•📍 В 2 раза чаще имеют AI Center of Excellence (Центр экспертизы ИИ)
•📍 Почти 60% имеют стратегию по управлению данными и безопасностью
•📍 84% выделяют ресурсы на обучение сотрудников использыванию AI инструментов. (Кстати, по последнему пункту — мы сейчас делаем большой фокус на корпоративное обучение у нас в practico.ai. Думаю, скоро напишем об этом отдельный пост.)
Полное исследование прикрепили, правда без перевода на русский, это нам стало делать влом 😅
❤5👍2🔥1🥴1
Ничего себе, целых два поста в один день 😱
Да, нас что-то пробило… Надеемся, никто не отпишется, а то после каждого поста мы грустно смотрим на статистику и плачем. Поэтому, если вы порекомендуете наш канал своим знакомым, мы будем очень рады 😅
На прошлой неделе вышло очень интересное обновление модели для генерации видео LTXV от Lightricks, и это действительно открывает новые возможности по автоматизации создания контента.
Дело в том, что большинство моделей, например, нашумевшая Veo 3, может генерировать видео всего на 8 секунд, и процесс создания хотя бы одного Reels для Instagram выглядит как «полный кошмар», где нужно сильно заморачиваться с промптами, чтобы сделать консистентную генерацию персонажей из кадра в кадр. Даже используя последние модели Wan, Kling или Hailuo, где можно задать начальные и конечные стадии, этот процесс не выглядит супер пользовательски удобным.
Так вот, модель LTXV делает новый шаг в генерации контента, потому что позволяет генерировать видео продолжительностью более 60 секунд из изображений — в реальном времени, с управлением промптами в процессе.
Вот её основные особенности:
📌Модель стримит видео в реальном времени, возвращая первую секунду мгновенно, при этом сцены строятся непрерывно, без разрывов.
📌 Пользователи могут применять управляющие команды на протяжении всего процесса генерации, регулируя позы, глубину и стиль в процессе.
📌 LTXV обучена на полностью лицензированных данных и имеет прямую интеграцию с пакетом LTX Studio.
Открытая модель доступна в версиях с 13B и мобильной 2B параметрами, бесплатно на GitHub и Hugging Face по ссылке.
Да, нас что-то пробило… Надеемся, никто не отпишется, а то после каждого поста мы грустно смотрим на статистику и плачем. Поэтому, если вы порекомендуете наш канал своим знакомым, мы будем очень рады 😅
На прошлой неделе вышло очень интересное обновление модели для генерации видео LTXV от Lightricks, и это действительно открывает новые возможности по автоматизации создания контента.
Дело в том, что большинство моделей, например, нашумевшая Veo 3, может генерировать видео всего на 8 секунд, и процесс создания хотя бы одного Reels для Instagram выглядит как «полный кошмар», где нужно сильно заморачиваться с промптами, чтобы сделать консистентную генерацию персонажей из кадра в кадр. Даже используя последние модели Wan, Kling или Hailuo, где можно задать начальные и конечные стадии, этот процесс не выглядит супер пользовательски удобным.
Так вот, модель LTXV делает новый шаг в генерации контента, потому что позволяет генерировать видео продолжительностью более 60 секунд из изображений — в реальном времени, с управлением промптами в процессе.
Вот её основные особенности:
📌Модель стримит видео в реальном времени, возвращая первую секунду мгновенно, при этом сцены строятся непрерывно, без разрывов.
📌 Пользователи могут применять управляющие команды на протяжении всего процесса генерации, регулируя позы, глубину и стиль в процессе.
📌 LTXV обучена на полностью лицензированных данных и имеет прямую интеграцию с пакетом LTX Studio.
Открытая модель доступна в версиях с 13B и мобильной 2B параметрами, бесплатно на GitHub и Hugging Face по ссылке.
👍7❤1🔥1
Компьютерное зрение для бизнеса и производства
Сегодня AI чаще всего ассоциируется с LLM-моделями, чат-ботами и генерацией контента. Это действительно один из самых заметных трендов последних лет.
Но AI — это не только работа с текстом.
Большой пласт прикладных задач в бизнесе решается через компьютерное зрение: анализ видео, изображений, перемещений объектов, соблюдения регламентов и событий в реальном времени.
Такие решения особенно полезны там, где уже есть:
• камеры
• видеопотоки
• контрольные зоны
• повторяющиеся процессы
• требования к безопасности и дисциплине
Мы работаем с такими задачами и внедряем системы компьютерного зрения под конкретные процессы компаний.
Ниже несколько кейсов.
1. Контроль промышленной безопасности: каски и опасные зоны
Задача
На производственной площадке нужно было в реальном времени контролировать:
• наличие касок у сотрудников
• присутствие персонала в запрещённых зонах
• быстрое оповещение о нарушениях
Цель — снизить риски травматизма и сократить время реакции на опасные действия.
Решение
Мы разработали систему компьютерного зрения, которая:
• детектирует людей в кадре
• определяет наличие или отсутствие каски
• отслеживает перемещение по размеченным полигонам зон
• формирует событие нарушения с кадром
• отправляет уведомление диспетчеру
Система работала с видеопотоком до 6 IP-камер одновременно.
Результат
• нарушение фиксировалось в течение 0.2–0.3 секунды после появления в кадре
• уведомления приходили в пределах 1 секунды
• у службы безопасности и руководства сократилось время реакции
• систему можно использовать не только для контроля, но и для последующей аналитики нарушений
#компьютерноезрение
#производство
#промбезопасность
2. Контроль работы спецтехники на производственной площадке
Задача
На площадке нужно было контролировать работу АБС и движение техники:
• прохождение контрольных точек
• соблюдение маршрутов
• отклонения по времени
• прогнозирование сбоев и задержек
Ручной контроль был медленным и непрозрачным.
Решение
Мы внедрили систему компьютерного зрения для мониторинга техники.
Что использовалось:
• уникальные ARUCO-маркеры на транспорте
• bounding box + нейросеть для определения позиции техники
• интеграция с TRASSIR
• работа через локальные серверы
• обработка потока с до 30 камер
Система фиксировала пространственные и временные метки, отслеживала прохождение точек и выдавала тревожные уведомления при превышении допустимого времени.
Результат
• полный контроль до 200 единиц техники в реальном времени
• автоматические тревоги при отклонениях
• фиксация ошибок и задержек с точной временной и пространственной привязкой
• прогнозирование отклонений от маршрута и пересчёт таймингов
• подробная аналитика с интеграцией в TRASSIR
#производство
#компьютерноезрение
#операционныйконтроль
3. Контроль движения транспорта через КПП
Задача
Заказчику нужно было автоматизировать контроль движения автотранспортных средств через КПП на нескольких объектах.
Цели:
• убрать ручной учёт
• повысить точность контроля
• интегрировать данные с ERP и видеонаблюдением
• получать машиночитаемую отчётность в реальном времени
Решение
Мы разработали систему на базе компьютерного зрения для распознавания и трекинга транспорта.
Архитектура решения:
• видеопоток с промышленных камер
• YOLOv5 для детекции
• ResNet для классификации типов транспорта
• Deep SORT для трекинга
• REST API для передачи JSON-событий в ERP
• веб-дашборд со статусами камер и историей проездов
Система фиксировала:
• время проезда
• номер КПП
• ID транспорта
• класс транспортного средства
Результат
• система стабильно работает на нескольких объектах с десятками КПП
• точность детекции: Precision > 0.92, Recall > 0.9
• данные автоматически передаются в ERP
• сокращается время на контроль и отчётность
• повышается прозрачность и безопасность на объектах
#безопасность
#контрольдоступа
#компьютерноезрение
Сегодня AI чаще всего ассоциируется с LLM-моделями, чат-ботами и генерацией контента. Это действительно один из самых заметных трендов последних лет.
Но AI — это не только работа с текстом.
Большой пласт прикладных задач в бизнесе решается через компьютерное зрение: анализ видео, изображений, перемещений объектов, соблюдения регламентов и событий в реальном времени.
Такие решения особенно полезны там, где уже есть:
• камеры
• видеопотоки
• контрольные зоны
• повторяющиеся процессы
• требования к безопасности и дисциплине
Мы работаем с такими задачами и внедряем системы компьютерного зрения под конкретные процессы компаний.
Ниже несколько кейсов.
1. Контроль промышленной безопасности: каски и опасные зоны
Задача
На производственной площадке нужно было в реальном времени контролировать:
• наличие касок у сотрудников
• присутствие персонала в запрещённых зонах
• быстрое оповещение о нарушениях
Цель — снизить риски травматизма и сократить время реакции на опасные действия.
Решение
Мы разработали систему компьютерного зрения, которая:
• детектирует людей в кадре
• определяет наличие или отсутствие каски
• отслеживает перемещение по размеченным полигонам зон
• формирует событие нарушения с кадром
• отправляет уведомление диспетчеру
Система работала с видеопотоком до 6 IP-камер одновременно.
Результат
• нарушение фиксировалось в течение 0.2–0.3 секунды после появления в кадре
• уведомления приходили в пределах 1 секунды
• у службы безопасности и руководства сократилось время реакции
• систему можно использовать не только для контроля, но и для последующей аналитики нарушений
#компьютерноезрение
#производство
#промбезопасность
2. Контроль работы спецтехники на производственной площадке
Задача
На площадке нужно было контролировать работу АБС и движение техники:
• прохождение контрольных точек
• соблюдение маршрутов
• отклонения по времени
• прогнозирование сбоев и задержек
Ручной контроль был медленным и непрозрачным.
Решение
Мы внедрили систему компьютерного зрения для мониторинга техники.
Что использовалось:
• уникальные ARUCO-маркеры на транспорте
• bounding box + нейросеть для определения позиции техники
• интеграция с TRASSIR
• работа через локальные серверы
• обработка потока с до 30 камер
Система фиксировала пространственные и временные метки, отслеживала прохождение точек и выдавала тревожные уведомления при превышении допустимого времени.
Результат
• полный контроль до 200 единиц техники в реальном времени
• автоматические тревоги при отклонениях
• фиксация ошибок и задержек с точной временной и пространственной привязкой
• прогнозирование отклонений от маршрута и пересчёт таймингов
• подробная аналитика с интеграцией в TRASSIR
#производство
#компьютерноезрение
#операционныйконтроль
3. Контроль движения транспорта через КПП
Задача
Заказчику нужно было автоматизировать контроль движения автотранспортных средств через КПП на нескольких объектах.
Цели:
• убрать ручной учёт
• повысить точность контроля
• интегрировать данные с ERP и видеонаблюдением
• получать машиночитаемую отчётность в реальном времени
Решение
Мы разработали систему на базе компьютерного зрения для распознавания и трекинга транспорта.
Архитектура решения:
• видеопоток с промышленных камер
• YOLOv5 для детекции
• ResNet для классификации типов транспорта
• Deep SORT для трекинга
• REST API для передачи JSON-событий в ERP
• веб-дашборд со статусами камер и историей проездов
Система фиксировала:
• время проезда
• номер КПП
• ID транспорта
• класс транспортного средства
Результат
• система стабильно работает на нескольких объектах с десятками КПП
• точность детекции: Precision > 0.92, Recall > 0.9
• данные автоматически передаются в ERP
• сокращается время на контроль и отчётность
• повышается прозрачность и безопасность на объектах
#безопасность
#контрольдоступа
#компьютерноезрение
4. Трекинг футболистов и 3D-позы в реальном времени
Задача
Создать систему, которая по видеопотоку с обзорной камеры отслеживает:
• перемещения игроков
• координаты на поле
• 3D-позы
• игровые действия
Цель — дать тренерам и аналитикам инструмент для тактического анализа и оценки нагрузок.
Решение
Мы собрали систему на стыке трекинга, pose estimation и спортивной аналитики.
Использовались:
• YOLOv8 + ByteTrack для устойчивого сопровождения игроков
• OpenPifPaf для восстановления 3D-поз
• гомография и OpenCV для привязки к координатной сетке поля
• Flask + WebSockets для визуализации
• GPU RTX 4070
• latency около 200–300 мс
Система отображала игроков на тактической карте и сохраняла данные для дальнейшей аналитики.
Результат
• стабильный трекинг до 22 игроков в реальном времени
• ошибка позиционирования на плоскости поля — до 0.5–0.7 м
• появилась возможность строить тепловые карты, зоны активности и анализировать игровые эпизоды
• тренерский штаб получил новый слой аналитики по матчу
#Sportstech
#компьютерноезрение
#AIаналитика
5. Трекинг картингов и AR-объектов в трансляции
Задача
Длятрансляции с трассы требовалось:
• встраивать AR-объекты в видеопоток
• сохранять стабильную привязку к трассе при смене углов камеры
• отображать объект на 2D-карте в реальном времени
Решение
Мы реализовали систему позиционирования камеры и AR-интеграции.
Что использовалось:
• solvePnP (OpenCV)
• фильтрация RANSAC
• ORB / AKAZE для предобработки
• интеграция с Unreal Engine
• GPS-данные с обработкой через Kalman filter
• Windows Server + RTX 3090
Результат
• определение позиции камеры с точностью 0.3–0.5 м
• AR-объекты стабильно удерживались в кадре
• реализовано отображение объекта на карте в реальном времени
• трансляция стала технологически сложнее и зрелищнее
#AR
#Sportstech
#компьютерноезрение
Как Practico.ai внедряет computer vision
Работаем в двух форматах.
1. Кастомная разработка
Разрабатываем системы под конкретный процесс компании:
• безопасность
• контроль производства
• контроль транспорта и техники
• трекинг объектов
• видеоаналитика
2. Пилот / PoC
Если задачу нужно быстро проверить, запускаем пилот на ограниченном контуре:
• на части камер
• на одном объекте
• на одном процессе
Это позволяет быстро понять, есть ли практический эффект, и только потом масштабировать решение.
Если вы хотите понять, можно ли использовать компьютерное зрение в вашем бизнесе или на производстве — напишите нам в ТГ, назначим бесплатную консультацию, по итогам получите список инструментов для внедрения, сроки реализации и плановую окупаемость.
#AIкейсы
#компьютерноезрение
Интересный пост:
👉Как внедрить AI в компанию: 4 шага
Задача
Создать систему, которая по видеопотоку с обзорной камеры отслеживает:
• перемещения игроков
• координаты на поле
• 3D-позы
• игровые действия
Цель — дать тренерам и аналитикам инструмент для тактического анализа и оценки нагрузок.
Решение
Мы собрали систему на стыке трекинга, pose estimation и спортивной аналитики.
Использовались:
• YOLOv8 + ByteTrack для устойчивого сопровождения игроков
• OpenPifPaf для восстановления 3D-поз
• гомография и OpenCV для привязки к координатной сетке поля
• Flask + WebSockets для визуализации
• GPU RTX 4070
• latency около 200–300 мс
Система отображала игроков на тактической карте и сохраняла данные для дальнейшей аналитики.
Результат
• стабильный трекинг до 22 игроков в реальном времени
• ошибка позиционирования на плоскости поля — до 0.5–0.7 м
• появилась возможность строить тепловые карты, зоны активности и анализировать игровые эпизоды
• тренерский штаб получил новый слой аналитики по матчу
#Sportstech
#компьютерноезрение
#AIаналитика
5. Трекинг картингов и AR-объектов в трансляции
Задача
Длятрансляции с трассы требовалось:
• встраивать AR-объекты в видеопоток
• сохранять стабильную привязку к трассе при смене углов камеры
• отображать объект на 2D-карте в реальном времени
Решение
Мы реализовали систему позиционирования камеры и AR-интеграции.
Что использовалось:
• solvePnP (OpenCV)
• фильтрация RANSAC
• ORB / AKAZE для предобработки
• интеграция с Unreal Engine
• GPS-данные с обработкой через Kalman filter
• Windows Server + RTX 3090
Результат
• определение позиции камеры с точностью 0.3–0.5 м
• AR-объекты стабильно удерживались в кадре
• реализовано отображение объекта на карте в реальном времени
• трансляция стала технологически сложнее и зрелищнее
#AR
#Sportstech
#компьютерноезрение
Как Practico.ai внедряет computer vision
Работаем в двух форматах.
1. Кастомная разработка
Разрабатываем системы под конкретный процесс компании:
• безопасность
• контроль производства
• контроль транспорта и техники
• трекинг объектов
• видеоаналитика
2. Пилот / PoC
Если задачу нужно быстро проверить, запускаем пилот на ограниченном контуре:
• на части камер
• на одном объекте
• на одном процессе
Это позволяет быстро понять, есть ли практический эффект, и только потом масштабировать решение.
Если вы хотите понять, можно ли использовать компьютерное зрение в вашем бизнесе или на производстве — напишите нам в ТГ, назначим бесплатную консультацию, по итогам получите список инструментов для внедрения, сроки реализации и плановую окупаемость.
#AIкейсы
#компьютерноезрение
Интересный пост:
👉Как внедрить AI в компанию: 4 шага
Telegram
Practico AI | Внедрение ИИ для бизнеса
Как внедрить AI в компанию: 4 шага
Многие компании понимают, что искусственный интеллект может дать реальный эффект.
Но почти всегда возникают одни и те же вопросы:
• с чего начать работу с AI
• какие процессы стоит автоматизировать
• какие технологии…
Многие компании понимают, что искусственный интеллект может дать реальный эффект.
Но почти всегда возникают одни и те же вопросы:
• с чего начать работу с AI
• какие процессы стоит автоматизировать
• какие технологии…
😢5👍3🔥2💯2👏1
Всем привет и хороших выходных. Хотим поделиться очень интересным материалам. За последний месяц мы собрали больше 50 агентских систем — начиная от простых систем на ноу коде в n8n.io, Langflow и заканчивая многослойными пайплайнами на LangChain и LangGraph — с оркестрацией через FastAPI и asyncio, RAG, строгой валидацией через pydantic и кастомными инструментами и тд.
Недавно нашли классный репозиторий с системными промптами от Lovable, Perplexity, Replit и других. Очень показательно, как крупные компании формулируют промпты для своих задач.
Вы можете почитать их по ссылке
Рекомендуем — must-see для референсов системных промптов.
Недавно нашли классный репозиторий с системными промптами от Lovable, Perplexity, Replit и других. Очень показательно, как крупные компании формулируют промпты для своих задач.
Вы можете почитать их по ссылке
Рекомендуем — must-see для референсов системных промптов.
🔥7❤3👍1
На этой неделе Google выкатил Gemini Flash 2.5 Image по кодовым названием nano-banana — новую AI-модель для многошагового редактирования изображений. Небольшой обзор на нее:
- Поддерживает многоходовое редактирование: можно вносить изменения пошагово, сохраняя консистентность образа.
- Делает смешивание изображений и стилей — перенос сцен, объектов, художественных приёмов в одном пайплайне.
- Работает на естественных языковых промптах (никаких сложных масок руками).
Подключает мультимодальное рассуждение и знания о мире: модель стратегически «додумывает» детали (например, подбирает правильные растения для конкретного сеттинга).
Модель стала виральной в тестах и взлетела на 1-е место в рейтинге LM Arena Image Edit, оставив позади даже Flux-Kontext. По стоимости — $0.039 за изображение через API и Google AI Studio. Это чуть дешевле, чем у OpenAI gpt-image и Flux-Kontext от BFL.
Подробнее можно почитать на сайте гугл
- Поддерживает многоходовое редактирование: можно вносить изменения пошагово, сохраняя консистентность образа.
- Делает смешивание изображений и стилей — перенос сцен, объектов, художественных приёмов в одном пайплайне.
- Работает на естественных языковых промптах (никаких сложных масок руками).
Подключает мультимодальное рассуждение и знания о мире: модель стратегически «додумывает» детали (например, подбирает правильные растения для конкретного сеттинга).
Модель стала виральной в тестах и взлетела на 1-е место в рейтинге LM Arena Image Edit, оставив позади даже Flux-Kontext. По стоимости — $0.039 за изображение через API и Google AI Studio. Это чуть дешевле, чем у OpenAI gpt-image и Flux-Kontext от BFL.
Подробнее можно почитать на сайте гугл
Как внедрить AI в компанию: 4 шага
Многие компании понимают, что искусственный интеллект может дать реальный эффект.
Но почти всегда возникают одни и те же вопросы:
• с чего начать работу с AI
• какие процессы стоит автоматизировать
• какие технологии выбрать
• как оценить экономический эффект
• как внедрить AI без сопротивления команды
Поэтому в Practico.ai используется системный подход к внедрению AI.
В основе работы — собственная методология SKAI Framework, которая помогает пройти путь от идеи до работающего AI-решения в бизнесе.
SKAI Framework состоит из четырёх этапов.
1. Strategy
На первом этапе проводится разбор бизнеса и процессов компании.
Анализируются:
• ключевые процессы
• текущие ограничения
• потенциальные зоны применения AI
• ожидаемый экономический эффект
Результат этапа — карта возможностей AI и roadmap внедрения.
2. Knowledge & Infrastructure
AI-системы работают только тогда, когда подготовлены данные и инфраструктура.
На этом этапе:
• анализируются источники данных
• формируются базы знаний
• проектируются интеграции с существующими системами
• создаётся архитектура будущего решения
Этап создаёт основу для дальнейшего внедрения.
3. Application
Далее запускаются первые прикладные решения.
На этом этапе:
• создаются прототипы
• запускаются пилотные проекты
• тестируются гипотезы
• AI интегрируется в реальные процессы
В большинстве проектов первые рабочие пилоты можно запустить в течение нескольких недель.
4. Institutionalization
После успешных пилотов решения масштабируются внутри компании.
На этом этапе:
• AI внедряется в рабочие процессы
• обучаются команды
• настраиваются метрики эффективности
• масштабируются успешные сценарии
AI становится частью операционной системы компании.
Как обычно начинается работа
На практике внедрение чаще всего начинается с одного из форматов.
#AIразборбизнеса
Разбор вашего кейса и подбор AI-инструментов
#AIстратегия
Разбор бизнеса и формирование roadmap внедрения AI.
#AIконсультация
Разбор конкретной задачи и рекомендации по применению AI.
AI-воркшоп
Практическая сессия с командой компании, на которой:
• анализируются процессы
• определяются точки применения AI
• формируются гипотезы внедрения
#AIразработка
Разработка решений под конкретные задачи бизнеса.
Например:
• AI-агенты
• RAG-системы
• аналитика данных
• компьютерное зрение
• автоматизация процессов
Подход Practico.ai
AI рассматривается не как технология сама по себе, а как инструмент решения конкретных бизнес-задач.
Поэтому большинство проектов начинается не с разработки, а с разбора процессов и оценки эффекта внедрения.
Если хотите понять, где AI может дать эффект в вашей компании —
напишите нам в ТГ, назначим бесплатную консультацию, по итогам получите список инструментов для внедрения, сроки реализации и плановую окупаемость..
#AIстратегия
Многие компании понимают, что искусственный интеллект может дать реальный эффект.
Но почти всегда возникают одни и те же вопросы:
• с чего начать работу с AI
• какие процессы стоит автоматизировать
• какие технологии выбрать
• как оценить экономический эффект
• как внедрить AI без сопротивления команды
Поэтому в Practico.ai используется системный подход к внедрению AI.
В основе работы — собственная методология SKAI Framework, которая помогает пройти путь от идеи до работающего AI-решения в бизнесе.
SKAI Framework состоит из четырёх этапов.
1. Strategy
На первом этапе проводится разбор бизнеса и процессов компании.
Анализируются:
• ключевые процессы
• текущие ограничения
• потенциальные зоны применения AI
• ожидаемый экономический эффект
Результат этапа — карта возможностей AI и roadmap внедрения.
2. Knowledge & Infrastructure
AI-системы работают только тогда, когда подготовлены данные и инфраструктура.
На этом этапе:
• анализируются источники данных
• формируются базы знаний
• проектируются интеграции с существующими системами
• создаётся архитектура будущего решения
Этап создаёт основу для дальнейшего внедрения.
3. Application
Далее запускаются первые прикладные решения.
На этом этапе:
• создаются прототипы
• запускаются пилотные проекты
• тестируются гипотезы
• AI интегрируется в реальные процессы
В большинстве проектов первые рабочие пилоты можно запустить в течение нескольких недель.
4. Institutionalization
После успешных пилотов решения масштабируются внутри компании.
На этом этапе:
• AI внедряется в рабочие процессы
• обучаются команды
• настраиваются метрики эффективности
• масштабируются успешные сценарии
AI становится частью операционной системы компании.
Как обычно начинается работа
На практике внедрение чаще всего начинается с одного из форматов.
#AIразборбизнеса
Разбор вашего кейса и подбор AI-инструментов
#AIстратегия
Разбор бизнеса и формирование roadmap внедрения AI.
#AIконсультация
Разбор конкретной задачи и рекомендации по применению AI.
AI-воркшоп
Практическая сессия с командой компании, на которой:
• анализируются процессы
• определяются точки применения AI
• формируются гипотезы внедрения
#AIразработка
Разработка решений под конкретные задачи бизнеса.
Например:
• AI-агенты
• RAG-системы
• аналитика данных
• компьютерное зрение
• автоматизация процессов
Подход Practico.ai
AI рассматривается не как технология сама по себе, а как инструмент решения конкретных бизнес-задач.
Поэтому большинство проектов начинается не с разработки, а с разбора процессов и оценки эффекта внедрения.
Если хотите понять, где AI может дать эффект в вашей компании —
напишите нам в ТГ, назначим бесплатную консультацию, по итогам получите список инструментов для внедрения, сроки реализации и плановую окупаемость..
#AIстратегия
❤5🔥1
Всем привет и продуктивной недели! 🚀🚀🚀
Мы наткнулись на отличный репозиторий с более чем 2000 бесплатными готовыми автоматизациями для n8n и, конечно, решили поделиться им здесь.
Посмотреть и скачать все процессы можно по ссылке
Мы наткнулись на отличный репозиторий с более чем 2000 бесплатными готовыми автоматизациями для n8n и, конечно, решили поделиться им здесь.
Посмотреть и скачать все процессы можно по ссылке
❤6👍3🔥2
Media is too big
VIEW IN TELEGRAM
Очень большой, но полезный пост ❤️
Мы неделю плотно сидим в Perplexity Comet и на фоне релиза Gemini в Chrome (18 сентября) собрали тезисы про «ИИ-браузеры».
В целом паттерн поиска в интернете уже давно начал меняться: от простого «гугления» к запросам в LLM (у B2B-сайтов доля такого трафика уже достигает 5–6 % органики).
Сейчас же AI фактически встраивается в сам браузер и начинает не только выполнять функцию поиска, но и совершать действия — аналогично режиму «агента» в GPT. В перспективе это приведёт к формированию нового UX-паттерна и, по сути, нового типа трафика, когда лид-формы, покупки и бронирования будут заполнять уже не люди, а агенты.
Но давайте по порядку. Начнем с небольшого обзора по текущей функциональности Comet и Chrome:
Comet (Perplexity)
- Что это по ощущениям: «оператор» в браузере, который сам щёлкает по интерфейсу, заполняет формы и доводит задачу до результата. Демо можно посмотреть тут
Как ведёт себя в реальности
- Делает шаги на странице. Открываешь 3–4 сайта отелей → пишешь: «сравни по цене/отмене, забронируй на 12–14 октября» → Comet проходит страницы, кликает фильтры, заполняет форму, предлагает черновик брони.
- Тянет контекст из рабочего окружения. Может учитывать открытые вкладки, недавние поиски и (если дал доступ) почту/календарь.
- Собирает конспект, но с конкретным next steps. Резюме страницы + кнопка «что дальше»: запросить счёт, написать письмо, заполнить форму заявки и тд.
По сути как "агент" в GPT, только лучше (по нашему мнению)
Chrome с Gemini
Пока в хроме режим "агента", который выполняют действия очень слабый, но 100% они докрутят его в ближайшее время. Демо можно посмотреть тут
Что есть на текущий момент:
- Gemini в Omnibox. Пишешь вопрос прямо в адресной строке и получаешь ответ с учётом текущих вкладок и связанной темы.
- Сводки по вкладкам. Делает краткие обзоры сразу по нескольким страницам — идеально для ресёрча, путешествий, сравнений.
- Помогает на странице. Быстрый TL;DR, уточнения и тд.
Понятное дело, что никто не говорит о том, что SEO «умер», но активное включение «агентов» в работу браузеров добавляет новые правила.
По сути, фокус смещается со «списка ссылок» на синтез и действие. Логика меняется: выигрывает тот, у кого данные хорошо структурированы и интерфейс дружелюбен к агентам.
Прежде чем перейти к конкретным рекомендациям, давайте определимся с терминологией. Существует множество разных определений - сведём их к минимуму:
- AIO (AI Optimization) - стратегия оптимизации, включающая в себя не только “быть источником” для ИИ, но и улучшение механизмов восприятия контента: формат, структура, релевантность, бренд, автоматизация, работа с AI-инструментами.
- GEO (Generative Engine Optimization) - оптимизация конкретно под генеративные движки / AI-ответчики так, чтобы ваш контент цитировался или использовался как источник при формировании ответов ИИ-систем.
- AEO (Answer Engine Optimization) - Оптимизация под движки-ответчики: найти фрагменты контента, которые напрямую отвечают на вопросы пользователей через ассистентов, голосовой поиск, сниппеты, “пользователи также спрашивают” и т.д.
- AAIO (Agentic AI Optimisation) - Подход по подготовке сайта / контента / архитектуры так, чтобы автономные агенты могли самостоятельно взаимодействовать с ресурсом и выполнять задачи от имени пользователей. То есть они не просто отвечают на запросы или предоставляют информацию, а ориентированы на задачу: выполнять бронирование, проверку, сравнение, заполнять формы, собирать данные.
Мы, как обычно, запарились и собрали гайд о том, что нужно знать про AAIO и не только - также написали про AIO, GEO и AEO. Получился действительно большой документ, который можно сразу брать в работу.
📕📕📕 Почитать гайд можно по ссылке (там реально много - и полезно) 📕📕📕
Мы сейчас как раз переделываем наши сайти (уже прокляли эту затею 🙈), но активно применяем эти рекомендации и вам советуем.
Мы неделю плотно сидим в Perplexity Comet и на фоне релиза Gemini в Chrome (18 сентября) собрали тезисы про «ИИ-браузеры».
В целом паттерн поиска в интернете уже давно начал меняться: от простого «гугления» к запросам в LLM (у B2B-сайтов доля такого трафика уже достигает 5–6 % органики).
Сейчас же AI фактически встраивается в сам браузер и начинает не только выполнять функцию поиска, но и совершать действия — аналогично режиму «агента» в GPT. В перспективе это приведёт к формированию нового UX-паттерна и, по сути, нового типа трафика, когда лид-формы, покупки и бронирования будут заполнять уже не люди, а агенты.
Но давайте по порядку. Начнем с небольшого обзора по текущей функциональности Comet и Chrome:
Comet (Perplexity)
- Что это по ощущениям: «оператор» в браузере, который сам щёлкает по интерфейсу, заполняет формы и доводит задачу до результата. Демо можно посмотреть тут
Как ведёт себя в реальности
- Делает шаги на странице. Открываешь 3–4 сайта отелей → пишешь: «сравни по цене/отмене, забронируй на 12–14 октября» → Comet проходит страницы, кликает фильтры, заполняет форму, предлагает черновик брони.
- Тянет контекст из рабочего окружения. Может учитывать открытые вкладки, недавние поиски и (если дал доступ) почту/календарь.
- Собирает конспект, но с конкретным next steps. Резюме страницы + кнопка «что дальше»: запросить счёт, написать письмо, заполнить форму заявки и тд.
По сути как "агент" в GPT, только лучше (по нашему мнению)
Chrome с Gemini
Пока в хроме режим "агента", который выполняют действия очень слабый, но 100% они докрутят его в ближайшее время. Демо можно посмотреть тут
Что есть на текущий момент:
- Gemini в Omnibox. Пишешь вопрос прямо в адресной строке и получаешь ответ с учётом текущих вкладок и связанной темы.
- Сводки по вкладкам. Делает краткие обзоры сразу по нескольким страницам — идеально для ресёрча, путешествий, сравнений.
- Помогает на странице. Быстрый TL;DR, уточнения и тд.
Понятное дело, что никто не говорит о том, что SEO «умер», но активное включение «агентов» в работу браузеров добавляет новые правила.
По сути, фокус смещается со «списка ссылок» на синтез и действие. Логика меняется: выигрывает тот, у кого данные хорошо структурированы и интерфейс дружелюбен к агентам.
Прежде чем перейти к конкретным рекомендациям, давайте определимся с терминологией. Существует множество разных определений - сведём их к минимуму:
- AIO (AI Optimization) - стратегия оптимизации, включающая в себя не только “быть источником” для ИИ, но и улучшение механизмов восприятия контента: формат, структура, релевантность, бренд, автоматизация, работа с AI-инструментами.
- GEO (Generative Engine Optimization) - оптимизация конкретно под генеративные движки / AI-ответчики так, чтобы ваш контент цитировался или использовался как источник при формировании ответов ИИ-систем.
- AEO (Answer Engine Optimization) - Оптимизация под движки-ответчики: найти фрагменты контента, которые напрямую отвечают на вопросы пользователей через ассистентов, голосовой поиск, сниппеты, “пользователи также спрашивают” и т.д.
- AAIO (Agentic AI Optimisation) - Подход по подготовке сайта / контента / архитектуры так, чтобы автономные агенты могли самостоятельно взаимодействовать с ресурсом и выполнять задачи от имени пользователей. То есть они не просто отвечают на запросы или предоставляют информацию, а ориентированы на задачу: выполнять бронирование, проверку, сравнение, заполнять формы, собирать данные.
Мы, как обычно, запарились и собрали гайд о том, что нужно знать про AAIO и не только - также написали про AIO, GEO и AEO. Получился действительно большой документ, который можно сразу брать в работу.
📕📕📕 Почитать гайд можно по ссылке (там реально много - и полезно) 📕📕📕
Мы сейчас как раз переделываем наши сайти (уже прокляли эту затею 🙈), но активно применяем эти рекомендации и вам советуем.
👍6🔥3👏2❤1